目标检测技术主要应用于自动驾驶、智能监控等领域,它要求计算机能够在含有多目标的图像中,定位感兴趣的目标并识别其类别,兼具学术研究和工程应用价值。基于深度学习的目标检测方法主要分为Anchor-based类模型和Anchor-free类模型,由于Anchor-based类模型存在通用性差、正负样本易失衡等缺点,本文主要对基于Anchor-free的目标检测算法进行研究,其不依赖于预定义的锚框,避免了与锚框相关的复杂计算,具体研究内容如下:(1)针对复杂场景适应能力弱,目标易受背景相似物干扰的问题,设计了基于全局上下文注意力和特征融合的目标检测模型AMFDet。AMFDet模型是基于Anchor-free的单阶段目标检测算法,该模型使用逐像素预测方法,不依赖于预先定义的锚框或者候选区域,通过全局上下文注意力机制学习到图像中的上下文信息,使其关注目标区域,降低图像背景及负样本信息的干扰,利用平衡特征金字塔进行特征融合以提取更多的特征信息,引入focal loss、GIo U loss进行分类和回归。通过在PASCAL VOC和MS COCO数据集上的实验证明,本文的方法在保证检测速度的前提下能够有效提升模型的性能。与基础网络FCOS相比,AMFDet模型在PASCAL VOC 2007数据集上的m AP值提升了0.8%,在场景复杂的COCO数据集上的AP值提升了1.2%。(2)针对检测图像中小目标检测精度不高、易漏检的问题,设计了基于引导式锚定区域建议网络的高分辨率目标检测模型HRGAD。HRGAD是一个基于Anchor-free的双阶段目标检测算法,该模型不需要预先定义锚框而是通过图像特征指导锚框的生成并预测其位置和形状,通过高分辨率深度神经网络提取特征,能够学到丰富的高分辨率表征,提高小目标检测的空间精准率,使用平衡特征金字塔能够改善网络浅层小目标表征能力不足的问题,利用引导式锚定区域建议网络产生高质量的候选区域,采用双线性插值的Ro I Align技术避免精度失配的问题,最后进行分类和回归从而获得最终的检测结果。HRGAD模型在PASCAL VOC和MS COCO数据集上进行了实验,在PASCAL VOC 2007测试集上的m AP值达到83.9%,在COCO 2017测试集上的AP值达到43.6%,小目标的平均准确率AP_S值达到25.8%,小目标的平均召回率AR_S值达到41.7%,表明该模型在小目标检测任务上的准确率和召回率明显优于其他模型。